| Processo: | 11/01437-8 |
| Modalidade de apoio: | Bolsas no Brasil - Pós-Doutorado |
| Data de Início da vigência: | 01 de junho de 2011 |
| Data de Término da vigência: | 31 de janeiro de 2012 |
| Área de conhecimento: | Ciências Exatas e da Terra - Probabilidade e Estatística - Estatística |
| Pesquisador responsável: | Víctor Hugo Lachos Dávila |
| Beneficiário: | Marcos Oliveira Prates |
| Instituição Sede: | Instituto de Matemática, Estatística e Computação Científica (IMECC). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil |
| Assunto(s): | Estatística espacial |
| Palavra(s)-Chave do Pesquisador: | Distribuições assimétricas | Estatística Espacial | Modelos Linear Generalizados Mistos | Estatística Espacial |
Resumo Assumir que as observações seguem uma distribuição normal (ou simétrica) é uma rotineira suposição em modelos para dados com estrutura espacial. No entanto, essa suposição pode ser não realista, ocultando importantes características da variação que está presente nos dados. Kim and Mallick (2004) e Hosseini, Eidsvik and Mohammadzadeh (2011) mostram, por meio de simulação, que uma especificação errada da distribuição dos modelos para processos espaciais pode viciar a estimação dos parâmetros e, consequentemente, dificultar a predição espacial. Assim, é conveniente considerar famílias paramétricas de distribuições que sejam flexíveis para capturar uma ampla variedade de comportamentos simétricos e assimétricos, que incluam as distribuições simétricas (normal, t deStudent, slash, normal contaminada) como casos especiais e produzam estimação robusta no modelo considerado. Nesse sentido, a classe de distribuições de misturas de escala skew--normal (SMSN) (Branco and Dey, 2001; Lachos, Ghosh and Arellano-Valle, 2010) é interessante porque inclui as versões simétrica e assimétrica das distribuições t de Student, slash, normal contaminada e exponencial potência, Pearson VII, e outras, todas elas com caudas mais pesadas que a distribuição normal, produzindo estimação robusta (e inferência) no modelo considerado.O objetivo deste projeto é apresentar um estudo de inferência Bayesiana em modelos para dados espaciais sob distribuições mais robustas do que a distribuição skew-normal, isto é, sob a classe das distribuições de misturas da escala skew-normal. O novo modelo sera referido como SMSN-SP. Além disso, serão apresentados estudos de diagnóstico baseados em medida de divergência de Kullback--Leibler, como discutido em Lachos, Bandyopadhyay and Dey (2011). No processo de estimação, será o usado o amostrador de Gibbs com implementação em R, C++ e WinBUGS.As propostas deste projeto visam contribuir positivamente para o desenvolvimento na área de pesquisa estatística, aportando novos resultados em modelos de interesse prático, estendendo ecomplementando alguns resultados sob processos skew-normal encontrados, por exemplo, em Kim and Mallick (2004); Hosseini, Eidsvik and Mohammadzadeh (2011); Karimi and Mohammadzadeh (2010); Zhang and Abdel El-Shaarawi (2010); Nathoo and Ghosh (2010) e Prates et. al. (2010a); entre outros. | |
| Matéria(s) publicada(s) na Agência FAPESP sobre a bolsa: | |
| Mais itensMenos itens | |
| TITULO | |
| Matéria(s) publicada(s) em Outras Mídias ( ): | |
| Mais itensMenos itens | |
| VEICULO: TITULO (DATA) | |
| VEICULO: TITULO (DATA) | |